Die automatisierte, zuverlässige und objektive Gefüge-Quantifizierung aus Schliffbildern ist ein wesentlicher Meilenstein auf dem Weg zur Digitalisierung von Werkstoffen. Systematisierte und auffindbare Werkstoffdaten wiederum ermöglichen ein umfassendes Verständnis der Prozess-Gefüge-Eigenschafts-Beziehungen und damit eine beschleunigte und gezielte Material- und Prozessentwicklung. Mit zunehmender Komplexität der Gefüge erfordert die Quantifizierung jedoch fortschrittliche Segmentierungsmethoden. Während Deep Learning (DL) neue Möglichkeiten für diese Aufgabe bietet, fehlen bisher eine allgemeine Intuition über die erforderliche Datenqualität und -quantität sowie ein umfassender methodischer DL-Leitfaden für die Quantifizierung und Klassifizierung von Gefügen. Dies, zusammen mit dem Mangel an frei zugänglichen Datensätzen und dem scheinbar intransparenten Entscheidungsprozess von DL-Modellen, verhindert den Durchbruch im Bereich der Gefügeanalyse.

In dieser Arbeit wird ein ganzheitlicher Ansatz vorgeschlagen, bei dem DL als Teil einer Prozesskette betrachtet und der Probenvorbereitung, der Kontrastierung und der Bildgebung die gleiche Aufmerksamkeit gewidmet wird. Zu diesem Zweck und um methodische Richtlinien abzuleiten, werden EBSD-basierte Annotationen verwendet, um verschiedene U-Net-Modelle am Beispiel der Segmentierung von lattenförmigem Bainit in einem Complex-Phasen Stahl zu trainieren. Bei dieser anspruchsvollen Aufgabe werden Genauigkeiten von 90% erreicht, die mit denen von Experten konkurrieren. Weiterhin werden Vorurteile über benötigte Datenmengen und Interpretierbarkeit aufgelöst, um den Weg für die alltägliche Anwendung von DL zur Quantifizierung der Gefüge zu ebnen.